Vision Transformers (ViT), görüntü tanıma ve işleme görevlerinde kullanılan bir derin öğrenme modelidir. ViT, öncelikle doğal dil işleme alanında kullanılan Transformer mimarisini temel alarak görsel veriler üzerinde uygulanır. Temel çalışma prensibi, bir görüntüyü küçük parçalara (genellikle sabit boyutlu yama veya patch’lere) bölerek bu yamaları dizi haline getirir ve ardından Transformer modeline girdi olarak sunar. Böylece, model, bu yamalar arasındaki ilişki ve bağlamı öğrenerek görüntülerin özelliklerini ve öğelerini tanımlar. ViT, özellikle büyük veri kümeleri üzerinde eğitildiğinde etkili performans gösterir ve son yıllarda görsel görevler için önemli bir araç haline gelmiştir.